电力负荷预测是电力系统安全调度、经济运行的重要依据,是社会正常生产、降低发电成本的有力保障。神经网络预测模型是一种比较常用的短期电力负荷预测模型。本文针对传统BP神经网络的不足之处进行改进,建立新的预测模型,并应用于短期电力负荷预测。本文的主要研究内容如下:(1)针对传统BP神经网络预测模型收敛慢、容易陷入局部最优等不足,引入收敛速度快、全局搜索能力强的粒子群优化算法代替BP算法优化神经网络的权值和阈值,建立一种基于粒子群优化算法的神经网络预测模型。分析温度和负荷的关系,并在对夏季负荷进行预测时,引入实时温度因子。通过对某地区秋季和夏季负荷进行实验仿真,验证了该模型的有效性和优越性。(2)针对标准粒子群算法不能够绝对保证搜索到全局最优解,容易陷入局部极小解的问题,在粒子群优化算法搜索过程中引入模拟退火算法中概率突跳的思想,提出一种混合算法。该算法继承了PSO算法的优点且在搜索过程中也拥有概率突跳的能力,能够有效的跳出局部最优解。将该算法代替BP算法优化神经网络,建立一种基于混合算法的神经网络预测模型。通过对某地区负荷进行预测,验证了混合算法的优越性以及预测模型的有效性。(3)通过最优小波包分解,将复杂的电力负荷序列分解成多个简单的、规律性强的负荷分量。分别对这些分量进行预测,并在对夏季负荷低频分量进行预测时,引入实时温度因子,最后重构负荷序列得到最终预测结果,提高了预测精度。通过在某地区的实际应用,验证了该方法的可行性。